Pag-aaral ng makina: ano ito at ano ang kaugnayan nito sa ai?

Ngayon nais naming ituro sa iyo nang mas malalim ang isa sa mga termino na nag- rebolusyon at magbabago sa ilang mga pakikipag-ugnay tulad ng alam namin sa kanila. Pinag-uusapan natin ang tungkol sa Artipisyal na Kaalaman at ang pinaka tukoy na sangay nito, Pag- aaral ng Makina o Awtomatikong Pag-aaral.

Tulad ng alam mo, ang pag-compute ay palaging nasa patuloy na ebolusyon at kung ano ang mabibili namin ay karaniwang hindi bilang paggupit hangga't maaari.

Halimbawa, habang binubuo namin ang ika - 4 na henerasyon ng PCI-Express , ang mga mananaliksik ay nakabuo na ng PCIe Gen 5 at pag-aralan ang pagtalon sa ika- 6 . Para sa parehong kadahilanang ito ay hindi bihirang makahanap ng mga teknolohiyang hindi natin alam na gumagawa ng mga gawain na hindi natin naririnig.

Ngunit bago pa man tayo magtuloy-tuloy, paikutin natin ang paksang tatalakayin natin dahil, ano ang Pag- aaral ng Machine ?

Indeks ng nilalaman

Ano ang Pag- aaral ng Machine ?

Ang Machine Learning ay isang tiyak na sangay ng computer science at Artipisyal na Intelligence kung saan nilikha ang mga system na may kakayahang awtomatikong pag-aaral.

Ang sangay na ito ay nagsimula sa pag-aaral at pag-unlad nito sa paligid ng 80s at ngayon ito ay lubos na binuo. Para sa parehong kadahilanang ito, ang parehong Artipisyal na Kaalaman at Pag- aaral ng Machine ay ginagamit sa maraming pang-agham at pang-araw-araw na larangan.

Sa sangay na ito, ang mga IS ay binubuo ng isa o higit pang mga algorithm na may kakayahang maproseso ang malalaking halaga ng data at pag-aaral nang naaayon. Ang dalawang pangunahing mga ideya kung saan ang paksang ito ay orbits:

• Ang sistema ay dapat na pag -aralan ang data at bumuo ng mga kasanayan na wala ito sa kanyang kapanganakan. Ang katalinuhan ay dapat na magawa ang gawaing awtonomiya, iyon ay, nang walang pangangasiwa ng tao.

Sa totoong mundo mayroon kaming mga praktikal na halimbawa tulad ng pag-uuri ng spam sa mga email, mga kaugnay na mga rekomendasyon sa Amazon o mga hula ng hinaharap gamit ang data ng kumpanya. Ang huli ay isang kagiliw-giliw na seksyon na higit at maraming mga kumpanya ang pumusta.

Gamit ang Machine Learning makikita natin kung anong mga pattern ang nagpapakilala sa mga hindi nasisiyahan na mga customer o mga ex-customer upang subukang mapabuti ang relasyon sa ibang mga gumagamit sa parehong estado. Ang pagkakasunud-sunod, bilang ng mga reklamo, mga kinontratang plano at iba pa ay pinag-aralan upang lumikha ng ilang mga profile. Kapag ang mga konklusyon ng AI ay iginuhit, ang isang pangkat ng mga eksperto sa marketing ay maaaring lumikha ng isang tiyak na kampanya upang labanan ang mga problemang iyon.

Sa gayon, ang kumpanya ay maaaring lumikha ng mga plano upang maakit o mapanatili ang mga customer batay sa ilang mga pagpapalagay at pupunta mula sa isang reaktibo na diskarte hanggang sa isang aktibo. Ito ay isang napaka-kagiliw-giliw na taktika na gumagamit ng Artipisyal na Intelligence , malaking halaga ng data at Pag- aaral ng Machine .

Paano sinanay ang Artipisyal na Intelligence ?

Para sa isang Artipisyal na Intelligence upang maging handa kailangan itong dumaan sa iba't ibang mga phase:

1. Dumadaan muna ito sa isang kinokontrol na kapaligiran. Dito ka nagpasok ng isang malaking halaga ng data at kani-kanilang mga resulta na maaari kang lumikha ng mga relasyon sa pagitan ng mga ideya. Ang bahaging ito ay tinatawag na Supervised Learning . Pagkatapos ay ilalagay ka sa isang libre at walang sagot na kapaligiran kung saan ang AI mismo ay kailangang pumili ng isang resulta. Sa pamamagitan ng pag-alam kung tama o hindi ang iyong mga sagot, lumikha ka ng mga bagong patakaran sa iyong algorithm. Ang yugtong ito ay tinatawag na Unsupervised Learning . Sa wakas, ang isang kapaligiran ay inihanda para sa kanya kung saan siya ay nagkakamali. Kung, halimbawa, mahirap para sa iyo na pag-iba-ibahin ang mga imahe na may mababang ningning, marahil ikaw ay sanay na may mga larawan sa gabi. Ang phase na ito ay tinatawag na Reinforcement Learning. Ang proseso ay maaaring gawin mula sa hakbang 2 nang maraming beses hangga't nais mong i-fine-tune ang Intelligence .

Pangkalahatang pamamaraan sa Pag-aaral ng Machine

Ang isang praktikal na halimbawa ay upang magpakita ng isang AI sampung milyong mga larawan at sabihin sa kanila kung aling mga aso at alin ang hindi. Dito ay iuugnay niya na ang mga aso ay karaniwang may balahibo, kadalasan sila ay nasa apat na mga binti at may iba't ibang mga hugis at sukat depende sa lahi.

Pagkaraan, binigyan siya ng isang milyong larawan upang maiuri. Narito dapat mong sagutin kung mayroon man ang isang aso sa larawan at ayon sa kung gagawa ka o hindi gagawa ka ng mga bagong 'ideya' sa iyong database. Upang maipatupad ang bagong data na ito, ang Intelligence ay magtatatag ng mga bagong patakaran sa algorithm nito at ngayon, halimbawa, magagawa nitong pag-iba-ibahin ang mga aso mula sa mga pusa.

Sa wakas, ang kanyang kahusayan ay pinag - aralan at ang mga bagong larawan ay handa upang sanayin ang kanyang mga mahina na puntos.

Siyempre, ito ay isang simple at paulit-ulit na sistema para sa pagpapakita, ngunit mayroong iba pang mga mas eksperimentong at kakaibang pamamaraan.

Tay, ang bot ng Twitter

Ang isang kamakailang kaso ng pagsasanay sa eksperimento ay si Tay , isang AI na binuo ng Microsoft na idinisenyo upang malaman upang ipahayag ang sarili bilang isang tao.

Profile sa Tay ni Tay

Ang bot ay na-program upang magsimulang magsalita bilang isang 19-taong-gulang na batang babae at noong Marso 23, 2016, siya ay pinakawalan sa mga madilim na lugar ng Twitter.

Na-program ka upang makipag- usap sa komunidad at matuto mula sa mga natanggap mong mensahe pati na rin ang iyong mga pakikipag-ugnay sa mga gumagamit. Ang kanyang pag-aaral ay halos ganap na awtonomiya, bagaman kailangan niyang maiatras pagkatapos ng 16 na oras para sa pagpapakita ng mga negatibong pag-uugali.

Sa maikling tagal ng kanyang buhay, nag-tweet siya ng higit sa 96, 000 mga tweet. Gayunpaman, ang sinasadyang nakakasakit na pag-uugali ng social network na ito ay mas mabilis kaysa sa lalong madaling panahon upang tumugon si Tay sa rasista at iba pang mga parirala.

Sa kasong ito, ang Superbadong Pag-aaral at ang serye ng mga pangunahing patakaran ay dapat na mabagong binago. Alam ang malasakit at nakakasakit na tono ng social network, hindi handa si Tay na maiba ang tunay mula sa sarkastiko. Sa parehong dahilan, ang ilang mga gumagamit ay pinamamahalaang madaling "masira" ang "intelektwal na hadlang" ng Intelligence .

Ang mga aplikasyon ng Learning Learning sa totoong mundo

Nasabi na namin sa iyo ang tungkol sa ilang mga pang-araw-araw na paggamit na marahil ay alam mo na ang tungkol sa Pag- aaral ng Machine , ngunit kung ano ang iba pang mga kaso na umiiral.

Sa ibaba makikita mo ang isang serye ng mga praktikal na aplikasyon ng teknolohiyang ito sa mga pinaka-karaniwang problema. Siyempre, ang mga solusyon sa paggupit, kaya kadalasan nangangailangan din sila ng mas maraming pera.

Kalusugan

Ang isang teknolohiya para sa isang bagong uri ng damit na may kakayahang magbasa ng impormasyon tungkol sa ating katawan ay nasa ilalim ng pag-aaral. Maaaring mabasa nito ang ating pulso, paghinga, o pagkabalisa.

Ang mga data na ito ay binabasa ng isang Intelligence na sinusuri ang estado ng pasyente sa real time. Kaya kung mayroon kang isang problema tulad ng atake sa puso sa isang tiyak na oras, maaari kang mag- diagnose at / o mas mabilis na tumugon.

Sa kabilang banda, ang ilang mga bot na may kakayahang makita ang mga saloobin ng pagpapakamatay ay ipinatupad sa ilang mga tao. Ang sikat na Facebook Intelligence ay nagbabasa ng mga pag-uusap at ang iyong aktibidad upang makilala ang mga pattern ng mga suicidal tendencies, bagaman mayroong iba pang mga bersyon na mas malapit na pag-aralan ang pag- uugali ng tao, ang kanyang tono ng boses at wika ng kanyang katawan.

Pananalapi

Sa ekonomiya, ang ilang mga bangko at kumpanya ay gumagamit ng mga solusyon na nakabase sa Machine Learning upang makita at maiwasan ang pandaraya.

Sa kabilang banda, ang isang katulad na bagay ay ginagamit din upang mas madaling matukoy ang mga oportunidad sa pamumuhunan. Ginagamit din ito upang magpasya kung kailan ibebenta o bumili ng stock at iba pang paraan.

Marketing

Ito ay nabanggit na namin, ngunit ito ay isa sa mga pinakamahusay na kilalang application.

Ito ay nangyari sa iyo upang makita ang isang pares ng mga produkto sa Amazon , ipasok ang Facebook, Google o Instagram at makita lamang ang produktong iyon sa iyong mga ad. Ito ay hindi sinasadya, dahil ang mga social network at ang Google ay nagpapatupad ng mga Intelligences na nag- aaral ng iyong kasaysayan at ang iyong mga posibleng interes upang makuha ang mga ito kung saan makakaya nila.

Ang ilang mga gumagamit ay nakikita ito bilang isang nakakaabala na paraan ng 'pag-atake' sa gumagamit at hindi ito nakakagulat dahil binomba ka nila ng isang ideya. Gayunpaman, ang advertising ay lilipat sa direksyong iyon sapagkat mas personal ito at ang mga ad ay mai-target sa mga potensyal na mamimili.

Pag-aaral ng Makina at Malalim na Pag-aaral

Ang dalawang term na ito ay karaniwang magkasama, ngunit hindi sila eksaktong pareho. Sa isang hinaharap na artikulo ay pag-uusapan natin ang tungkol sa pangalawang termino na ito, dahil ito ay isang bagay na nararapat na matutunan.

GUSTO NAMIN IYO Paano i-uninstall ang mga driver ng AMD nang malinis at madali

Sa pangkalahatan, maaari naming maitaguyod ang ugnayan sa pagitan ng Pag- aaral ng Makina at Malalim na Pag-aaral bilang isa sa pagkakaroon ng Artipisyal na Intelligence at Pag- aaral ng Machine . Ang Malalim na Pag-aaral ay isang mas tukoy na sangay ng Learning sa Machine .

Nagbabahagi ito ng mga pangunahing seksyon tulad ng ebolusyon sa paglipas ng panahon at karanasan, ngunit mayroon itong isa pang serye ng mga pagkakaiba-iba.

Pinasimpleng Malalim na Pag-aaral

Ang batayan nito sa pag-aaral at pagproseso ng data ay ang paggamit ng iba't ibang mga layer na kumikilos na para bang sila ay mga neuron. Samakatuwid, maaari naming maitaguyod na ang mga Intelligences na ito ay karaniwang mas pino, ngunit mas kumplikado at mamahaling itayo.

Bagaman kung mas interesado ka sa paksang ito, manatiling nakatutok sa website at bisitahin ang aming susunod na artikulo sa Malalim na Pag-aaral .

Gaano kalayo kami mula sa Skynet ?

Mayroon kaming seksyon na ito para sa pinaka pinangarap na kaisipan.

Ito ay isang paulit-ulit na paksa sa mga libro, pelikula at iba pa. Hindi para sa wala mayroong eksaktong genre o tema na tinatawag na Cyberpunk . Gayunpaman, malayo sa mga futuristic na dystopias na kinokontrol ng Artipisyal na Kaalaman , ang aming mga makina ay may haba pa ring lakad.

Smart Robot ng Rick & Morty

Ang mga sistema ng Learning Learning ngayon ay kabilang sa pangkat ng ' mahina AIs'. Tulad ng nakita natin, ang mga Intelligences na ito ay may kakayahang maunawaan ang mga pattern at paggawa ng mga simpleng pagbabawas. Lubhang kapaki-pakinabang ang mga ito upang suportahan kami sa ilang mga konteksto, ngunit hindi sila awtonomous system.

Sa kabilang dako ay magkakaroon tayo ng 'malakas na AIs' , ang mga kinakatawan sa mga futuristic na kwento kung saan sila ay pantay o higit na matalino kaysa sa mga tao. Makakahanap kami ng mga kilalang halimbawa sa tanyag na kultura tulad ng 'Matrix' , 'Terminator' , 'Ghost in the Shell' o 'Halo' . Sa katunayan, sa listahang ito mayroong dalawang gawa na nauugnay sa bawat isa; Hulaan kung alin?

Ngayon pa rin kami ay nakabuo ng ganap na awtonomiya at ligtas na mga kotse . Patuloy kaming sumulong, ngunit mayroon pa rin tayong isang paraan upang makabuo ng isang pantay na katotohanan na ginawa ng buong teknolohiya.

Kung nais mong malaman ang higit pa tungkol dito, maaari mong bisitahin ang aming artikulo tungkol sa Artipisyal na Intelligence . Ito ay isang teksto mula sa isang mas pangkalahatang punto ng view at pag-aralan namin ng kaunti ang posibleng ramifications na makukuha ng teknolohiyang ito.

Pangwakas na Salita sa Pag- aaral ng Machine

Katulad sa aming konklusyon sa Artipisyal na Intelligence, malinaw na ang hinaharap ay hindi sigurado. Gayunpaman, hindi maiwasan na ang ebolusyon ay kailangang suriin upang maipatupad ang teknolohiya sa mga kasanayan at katangian nito.

Unti-unti, ang Internet ay magiging higit pa at mas mahusay na kinokontrol ng mga programa at algorithm. Ang mga social network ay mas mahusay na ma-calibrate at mag-aalok sa amin ng nilalaman nang mas naaayon sa aming mga panlasa. At sa wakas, ang mga online na relasyon ay magiging mas ligtas sa pamamagitan ng pag- tiktik nang mas madali kapag may panganib ng pandaraya o katulad nito.

Sa kabilang banda, huwag magulat na ang siglo na ito ay kapag ang IoT (Internet of Things) ay lumiwanag. Ito ay isang ideya na matagal na nating pinangarap. Bilang karagdagan, ang IoT ay isang malaking bidder ng mga teknolohiyang paggupit na may kaugnayan sa Learning ng Machine, kahit na kulang pa ito ng ilang mga pagsasaayos tungkol sa seguridad.

Para sa aming bahagi, sa palagay namin ito ay isang unti-unting ebolusyon at hangga't alam ka sa kung ano ang nangyayari, wala kang dapat katakutan. Ang mga bagong kotse o refrigerator ay maaaring kakaiba sa iyo, ngunit tiyak na hindi ko iniisip na makikita namin ang paggising ng 'malakas na AIs'.

Inirerekumenda namin na basahin ang pinakamahusay na mga laptop sa merkado

Sa wakas, kailangan nating aminin na hindi kami eksperto sa Artipisyal na Intelligence o Pag- aaral ng Makina , kaya huwag magulat sa ilang mga kakaibang data. Kung nagkamali kami, huwag mag-atubiling sabihin sa amin! Pagkatapos ng lahat, hindi pa tayo perpektong mga makina.

At ikaw, ano sa palagay mo ang Pagkatuto ng Makina at Katalinuhan sa Artipisyal ? Saang aspeto sa palagay mo dapat ipatupad ang mga ito? Ibahagi ang iyong mga ideya sa ibaba.

Matalino Dataapdsaslagacetawhatsnew font